Ny teknologi kan gøre protetiske hænder nemmere for patienter at bruge

Forskere har udviklet ny teknologi til afkodning af neuromuskulære signaler for at kontrollere drevne, protese håndled og hænder. Arbejdet bygger på computermodeller, der tæt efterligner opførslen af ​​de naturlige strukturer i underarmen, håndled og hånd. Teknologien kan også bruges til at udvikle nye computergrænsefladeenheder til applikationer som spil og computerstøttet design (CAD).

Teknologien har fungeret godt i tidlige tests, men er endnu ikke gået ind i kliniske forsøg - hvilket gør den år væk fra kommerciel tilgængelighed. Arbejdet blev ledet af forskere i det fælles biomedicinske ingeniørprogram ved North Carolina State University og University of North Carolina ved Chapel Hill.

Nuværende state-of-the-art proteser er afhængige af maskinlæring for at skabe en "mønstergenkendelse" tilgang til protesekontrol. Denne tilgang kræver, at brugerne "lærer" enheden at genkende specifikke mønstre af muskelaktivitet og omsætte dem til kommandoer - såsom at åbne eller lukke en håndprotese.

"Mønstergenkendelseskontrol kræver, at patienter gennemgår en langvarig proces med at træne deres protese, " siger Han (Helen) Huang, en professor i det fælles biomedicinske ingeniørprogram ved North Carolina State University og University of North Carolina i Chapel Hill. "Denne proces kan være både kedelig og tidskrævende.

"Vi ville fokusere på det, vi allerede ved om menneskekroppen, " siger Huang, der er seniorforfatter til et papir om værket. "Dette er ikke kun mere intuitivt for brugerne, det er også mere pålideligt og praktisk.

"Det er fordi, hver gang du ændrer din kropsholdning, dine neuromuskulære signaler for at generere den samme hånd-/håndledsbevægelsesændring. Så at udelukkende stole på maskinlæring betyder at lære enheden at gøre det samme flere gange; én gang for hver anden stilling, én gang for når du er svedig versus når du ikke er det, og så videre. Vores tilgang går uden om det meste."

I stedet, forskerne udviklede en brugergenerisk, muskuloskeletal model. Forskerne placerede elektromyografisensorer på underarmene på seks frivillige, sporing af præcis hvilke neuromuskulære signaler, der blev sendt, når de udførte forskellige handlinger med deres håndled og hænder. Disse data blev derefter brugt til at skabe den generiske model, som oversatte disse neuromuskulære signaler til kommandoer, der manipulerer en drevet protese.

"Når nogen mister en hånd, deres hjerne er i netværk, som om hånden stadig er der, " siger Huang. "Så, hvis nogen vil hente et glas vand, hjernen sender stadig disse signaler til underarmen. Vi bruger sensorer til at opfange disse signaler og derefter overføre disse data til en computer, hvor det fodres ind i en virtuel muskuloskeletal model. Modellen træder i stedet for musklerne, led og knogler, beregning af de bevægelser, der ville finde sted, hvis hånden og håndleddet stadig var hele. Den formidler derefter disse data til håndledsprotesen og hånden, som udfører de relevante bevægelser på en koordineret måde og i realtid - mere tæt på væske, naturlig bevægelse.

"Ved at inkorporere vores viden om de biologiske processer bag at skabe bevægelse, vi var i stand til at producere en ny neural grænseflade til proteser, der er generisk for flere brugere, inkludere en amputeret i denne undersøgelse, og er pålidelig på tværs af forskellige armstillinger, " siger Huang.

Og forskerne mener, at de potentielle anvendelser ikke er begrænset til proteseanordninger.

"Dette kunne også bruges til at udvikle computer-interface-enheder til raske mennesker, " siger Huang. "Såsom enheder til gameplay eller til at manipulere objekter i CAD-programmer."

I den foreløbige test, både raske og amputerede frivillige var i stand til at bruge den modelstyrede grænseflade til at udføre alle de nødvendige hånd- og håndledsbevægelser - på trods af at de havde meget lidt træning.

"Vi søger i øjeblikket frivillige, som har transradiale amputationer til at hjælpe os med yderligere test af modellen til at udføre dagligdags aktiviteter, " siger Huang. "Vi ønsker at få yderligere feedback fra brugerne, før vi går videre med kliniske forsøg.

"For at være klar, vi er stadig år væk fra at dette bliver kommercielt tilgængeligt til klinisk brug, "Huang understreger." Og det er svært at forudsige potentielle omkostninger, da vores arbejde er fokuseret på softwaren, og hovedparten af ​​omkostningerne for amputerede vil være i den hardware, der rent faktisk kører programmet. Imidlertid, modellen er kompatibel med tilgængelige proteseanordninger."

Forskerne undersøger også ideen om at inkorporere maskinlæring i den generiske muskuloskeletale model.

"Vores model gør protetisk brug mere intuitiv og pålidelig, men maskinlæring kunne give brugerne mulighed for at få mere nuanceret kontrol ved at tillade programmet at lære hver persons daglige behov og præferencer og bedre tilpasse sig en specifik bruger på lang sigt, " siger Huang.

Papiret, "Myoelektrisk kontrol baseret på en generisk muskuloskeletal model:Mod en multi-bruger neural-maskine grænseflade, "er offentliggjort i tidsskriftet IEEE-transaktioner på neurale systemer og rehabiliteringsteknik .